SUMMER DATA. PROGRAMA INTENSIVO

FORECASTING & COMPUTER VISION

  • Duración:

    20 o 30 horas

  • Horario:

    5 de Julio al 12 de Julio
    5 de Julio al 15 de Julio
    L, M, X y J de 16h a 20h.

  • Modalidad:

    PRESENCIAL/SEMIPRESENCIAL/ONLINE:
    Un bloque introductorio de forma online, supervisado constantemente por los profesores, con Seguimientos individualizados, Masterclass, Talleres y Casos prácticos en nuestro entorno virtual.
    Un bloque teórico-práctico a modo de talleres exponenciales o laboratorios de aplicación y desarrollo entre el profesor y los alumnos.

Este Programa Intensivo está dirigido a:

Analistas de datos, científicos de datos, desarrolladores o perfiles que tengan un conocimiento básico de conceptos de machine learning.

Matemáticos, físicos, ingenieros de todo tipo o expertos en analítica especializada como economistas.

Se recomienda tener conocimientos previos en programación básica así como conocimientos en matemáticas y estadística básica. Todos los conocimientos se refuerzan durante el programa.

Objetivos

Resuelve tus dudas ahora mismo, no esperes más:

91 504 86 00

Rellena el formulario y nosotros nos pondremos en contacto contigo:






    *campos obligatorios


    Plan de
    Estudios

    MÓDULO 1: PYTHON PARA MACHINE LEARNING
    - Repaso de las principales características de Python, gestión de estructuras de datos librerías y entornos de trabajo
    - Repaso del stack científico de Python para manipulación de datos (jupyter, pandas)
    - Cálculo científico y álgebra lineal con python (numpy)
    - Manipulación de ficheros estructurados y no estructurados (audio, vídeo...)

    MÓDULO 2: ANÁLISIS DE SERIES TEMPORALES Y FORECASTING

    Bloque 1: Transformación y visualización de series temporales
    - Tipos de series temporales. Transformación de variables en series temporales
    - Captura y transformación de variables endógena y exógenas
    - Técnicas y librerías para visualizar e interpretar series temporales. Manifolds
    - Compresión semántica y embeddings para series temporales.

    Bloque 2: Métodos estadísticos clásicos
    - Modelado estático vs dinámico. Modelos AR, MA, ARMA, ARIMA, SARIMAX y extensiones. Casos prácticos n Python
    - Medidas de la calidad, sensibilidad y robustez del modelo.

    Bloque 3: Métodos de Machine y Deep Learning
    - Extensión de técnicas de Machine Learning para predecir / clasificar series temporales.
    - Facebook Prophet
    - Integración en el modelo de series temporales con variables no temporales
    - Modelos LSTM, GRU para predicción / clasificación en series temporales.
    - Modelos bidireccionales y con atención
    - Predicción de series multivariable
    - Ensembles

    Bloque 4: Métodos no supervisados y detección de anomalías
    - Autoencoders
    - Clustering

    MÓDULO 3: VISIÓN ARTIFICIAL

    Bloque 1: Manipulación y procesamiento de imágenes
    - Representación y manipulación de imágenes y vídeos
    - Principales librerías en python: OpenCV, Pillow
    - Operaciones básicas de corrección, visualización y modificación

    Bloque 2: Clasificación y segmentación en imágenes
    - Conceptos y aplicaciones de Deep Learning a imágenes
    - Implementación de modelos con Tensorflow y Keras

    Bloque 3: Aplicaciones específicas y casos de uso
    - Reconocimiento de objetos
    - Reconocimiento facial

    Bloque 4: Generación de imágenes artificiales
    - Introducción a las Redes Generativas Adversariales (GAN)
    - Ejemplos de aplicación
    - Prácticas con Python, Tensorflow y Keras

    MÓDULO 1: PYTHON PARA MACHINE LEARNING
    - Repaso de las principales características de Python, gestión de estructuras de datos librerías y entornos de trabajo
    - Repaso del stack científico de Python para manipulación de datos (jupyter, pandas)
    - Cálculo científico y álgebra lineal con python (numpy)
    - Manipulación de ficheros estructurados y no estructurados (audio, vídeo...)

    MÓDULO 2: ANÁLISIS DE SERIES TEMPORALES Y FORECASTING

    Bloque 1: Transformación y visualización de series temporales
    - Tipos de series temporales. Transformación de variables en series temporales
    - Captura y transformación de variables endógena y exógenas
    - Técnicas y librerías para visualizar e interpretar series temporales. Manifolds
    - Compresión semántica y embeddings para series temporales.

    Bloque 2: Métodos estadísticos clásicos
    - Modelado estático vs dinámico. Modelos AR, MA, ARMA, ARIMA, SARIMAX y extensiones. Casos prácticos n Python
    - Medidas de la calidad, sensibilidad y robustez del modelo.

    Bloque 3: Métodos de Machine y Deep Learning
    - Extensión de técnicas de Machine Learning para predecir / clasificar series temporales.
    - Facebook Prophet
    - Integración en el modelo de series temporales con variables no temporales
    - Modelos LSTM, GRU para predicción / clasificación en series temporales.
    - Modelos bidireccionales y con atención
    - Predicción de series multivariable
    - Ensembles

    Bloque 4: Métodos no supervisados y detección de anomalías
    - Autoencoders
    - Clustering

    MÓDULO 1: PYTHON PARA MACHINE LEARNING
    - Repaso de las principales características de Python, gestión de estructuras de datos librerías y entornos de trabajo
    - Repaso del stack científico de Python para manipulación de datos (jupyter, pandas)
    - Cálculo científico y álgebra lineal con python (numpy)
    - Manipulación de ficheros estructurados y no estructurados (audio, vídeo...)

    MÓDULO 2: VISIÓN ARTIFICIAL

    Bloque 1: Manipulación y procesamiento de imágenes
    - Representación y manipulación de imágenes y vídeos
    - Principales librerías en python: OpenCV, Pillow
    - Operaciones básicas de corrección, visualización y modificación

    Bloque 2: Clasificación y segmentación en imágenes
    - Conceptos y aplicaciones de Deep Learning a imágenes
    - Implementación de modelos con Tensorflow y Keras

    Bloque 3: Aplicaciones específicas y casos de uso
    - Reconocimiento de objetos
    - Reconocimiento facial

    Bloque 4: Generación de imágenes artificiales
    - Introducción a las Redes Generativas Adversariales (GAN)
    - Ejemplos de aplicación
    - Prácticas con Python, Tensorflow y Keras

    EXPERIENCIA
    MBIT

    PROFESORES

    PROCESO DE ADMISIONES

    En el proceso de admisión evaluaremos las capacidades del candidato, además de analizar su perfil. Te realizaremos un assessment para que elijas el programa que se adecúa eficazmente a tu desarrollo profesional. Para ello necesitaremos que nos envíes tu CV actualizado y posteriormente realizar una entrevista. En un plazo máximo de 3 días tendrás respuesta del Comité de Evaluación sobre tu aceptación o no como candidato al programa. A partir de esa comunicación podrás formular tu matriculación en el programa.

    FINANCIACIÓN Y AYUDAS

    Queremos ayudarte a alcanzar tus retos profesionales para ello desde MBIT School ponemos a tu disposición líneas de financiación alternativas, y te ofrecemos ayudar económicas por realizar una matriculación anticipada bajo pago íntegro. También contamos con ayudas para colectivos y bajo acuerdo con empresas.

    Resuelve tus dudas ahora mismo, no esperes más:

    91 504 86 00

    Rellena el formulario y nosotros nos pondremos en contacto contigo:






      *campos obligatorios